表示，当下，大家在在评估现有模型方面很在行，但在评估即将构建的新模型方面却差得多，尤其是当这些模型跨入新的能力范畴时。大多数基准测试、安全评估和红队测试协议，都暗含了一个假设：下一代模型只是当前模型的更强版本。每当出现一种新能力，而没有基准测试覆盖时，我们只能事后匆忙构建评估方法。
2026-05-20